本文深入探讨了Linux的流量控制（Traffic Control，TC）框架，分析了多应用同时发包时的调度策略。TC通过应用层命令、内核层分类器和排队规则实现带宽分配和优先级调度。常用的qdisc如pfifo_fast和fq_codel分别实现优先级队列和公平排队，解决延迟控制和流量管理问题。EDT（Earliest Departure Time）模型优化了包的发送时机，提高网络性能。

K8s-1m项目旨在挑战Kubernetes集群的极限，目标是实现百万节点。通过替代etcd和重构调度器，项目解决了性能瓶颈，提出了mem_etcd和Scatter-Gather调度策略，为后续开发者提供了系统优化经验和架构洞察。

本文讨论了Linux I/O调度器的演变，特别是针对NVMe SSD的调度策略。传统调度器如CFQ和deadline因复杂性和对寻道优化的依赖逐渐被淘汰。现代调度器如none和kyber更适合NVMe，前者不进行调度，后者通过延迟反馈控制排队深度。文章强调调度器设计需适应硬件变化，简洁性更具长期价值。

本研究提出了一种先进的多深度神经网络模型调度策略（ADMS），旨在优化移动设备上的多DNN推理。该策略通过离线构建最优子图划分，实现硬件支持与调度平衡，并根据实时条件动态调整工作负载，显著提高处理器利用率和性能。实验结果表明，ADMS在推理延迟上比传统框架减少了4.04倍。

本研究提出了一种少样本元离线强化学习算法，旨在解决现有强化学习在安全性和成本上的在线交互依赖问题。该算法利用静态离线数据集进行训练，能够有效扩展到新环境，优化无人机轨迹和调度策略，实现快速收敛，并达到最佳的年龄信息和传输功率平衡。

Kubernetes 的调度系统通过调度器将 Pod 分配到合适的节点，确保资源的高效利用。调度过程包括筛选和优选阶段，考虑资源需求和亲和性等因素。用户可以定制调度策略，以满足特定需求，优化大规模集群的调度性能至关重要。

Volcano推出云原生混部解决方案，通过资源隔离与共享提升资源利用率。在线和离线业务混合部署在同一集群，利用在线业务的波动动态分配资源。支持多种调度策略和Qos模型，保障在线业务优先级。方案已在华为终端云应用，提高了资源利用率和调度效率。未来将增强OS接口扩展性，支持更多操作系统。

Kubernetes的亲和性和反亲和性用于控制Pod调度。亲和性指定Pod应在哪些节点上运行，反亲和性则避免特定节点。分为节点和Pod两种，策略有硬性和软性之分。配置时使用标签匹配和topologyKey。常见问题包括资源不足和规则过于严格，解决方法有检查资源、污点容忍度和审查规则。

该研究揭示了观测数据中未观测到的混淆因素和异质性的问题，并提出了一种新的根本原因分析方法。该方法通过优化无混淆因素的有向混合图和使用异质性感知的调度策略，能够探索可靠的根本原因。实验结果表明该方法在合成数据集和真实世界数据集上有效且优越。

本文提出了基于信息年龄的调度策略负载度量，解决了调度过程中的公平负载分配、资源利用效率、可扩展性和设备间统计异构数据等挑战。通过分散化的马尔可夫调度策略，实现均衡的工作负载分配，并消除了独立客户决策带来的管理开销。实验证实了该方法的有效性。

本文研究了差分隐私联邦学习在时变数据库中的应用，重点讨论了年龄、准确性和差分隐私之间的平衡，并提出了一个优化问题，旨在满足差分隐私要求的同时最小化聚合模型和不考虑差分隐私约束下获得的模型之间的损失差异。通过引入基于年龄的损失上界来充分利用调度的优势，进而提出了一种基于年龄的调度设计。仿真结果表明，该方案在性能上优于经典差分隐私联邦学习策略，对联邦学习中年龄、准确性和差分隐私的相互作用提供了深入见解，并对调度策略具有实际意义。

阿里云容器服务ACK推出自定义弹性资源优先级调度功能，帮助企业高效利用云上资源。功能包括自定义调度策略、逆序缩容、灵活修改策略和控制资源使用量等。弹性调度功能可优化资源配置，实现降本增效。

CIM-MLC是一个通用的多层次编译框架，用于支持计算内存架构。它能够编译任务到不同设备、架构和编程接口的计算内存加速器，并通过映射和调度策略实现更好的调度和指令生成结果。

本文介绍了一种采用随机梯度下降算法的分散式联邦学习（DFL）模型，用于改善代理网络中的学习性能。实验中测试了三种DFL调度策略的收敛性、准确性和损失，结果显示调度策略对收敛速度和全局模型有影响。